.png){kind=icon}
返回
Deep Learning-Based CSI Feedback for RIS-Assisted Multi-User Systems
.png){kind=icon}
PRE
AI
DOI：10.1109/TCOMM.2024.3524028.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在可重构智能表面（RIS）辅助无线通信领域，高效的信道状态信息（CSI）反馈至关重要。本文提出RIS-CoCsiNet，一种基于深度学习的框架，旨在显著提高反馈效率。所提出的方法通过将RIS-UE CSI信息分为两部分来利用邻近用户设备（UE）之间的固有相关性：邻近UE之间的共享信息和针对每个独立UE的特定信息。通过利用RIS-UE CSI的相关性，可以显著减少共享信息的冗余传输，从而最小化反复反馈此类共享数据所带来的开销。与传统的基于自编码器的CSI反馈框架不同，我们的方法在基站中集成了一个额外的解码器和组合神经网络（NN）。这些组件从两个邻近UE的反馈CSI中恢复共享信息，并将其分别与个体信息相结合，而无需对UE进行任何修改。通过端到端学习，邻近UE的编码器被训练为协同反馈共享信息，同时独立反馈独特信息。对于配备多天线的UE，引入了一个具有长短期记忆（LSTM）模块的基准神经网络架构，以捕获邻近天线之间的相关性。此外，由于RIS-UE CSI相位不具有稀疏性，我们提出了幅度依赖的相位反馈策略，将统计或瞬时CSI幅度信息纳入相位反馈过程。在两个不同的信道数据集上的广泛仿真验证了RIS-CoCsiNet的有效性。
Keyword:
Reconfigurable intelligent surface
CSI feedback
deep learning
cooperation
multiple users
期刊
IF:
8.3
论文数:
1.2W
被引数:
3.6W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容